准备两列数据
上传 CSV、TSV 或 JSON。时间可用秒、毫秒或 ISO 日期；速度可用 km/h 或 m/s。导入后可手动选择列和单位。
time_s,speed_kmh 0.00,186.4 0.25,191.2 0.50,195.8
文件上限 10 MB、100,000 条记录。建议选择至少覆盖 1000 米的行驶片段，采样间隔不超过 1 秒。
SPEED IN. TRACK OUT.
每段车速，都有自己的赛道指纹。
上传一段车速历程，让形状、距离与弯道节奏，带你找到它属于哪条赛道。
11 条赛道已就绪
01 / TELEMETRY
从速度出发，看见赛道。无需 GPS · 时间与车速两列即可 · 可解释的物理模板匹配
01
CSV / TSV / JSON选择车速数据
先用真实样例体验
02
从短片段逐步探索定义观察片段
观察距离 建议从 1000 米开始
0 m—
◈ 上传文件仅在当前浏览器中读取，刷新后清除。
03
等待数据识别结果
⌁
等待一段速度指纹
选择内置样例或上传文件
即可探索最相似的赛道。
✧
本地规则解释识别助手
根据当前数据与匹配结果回答，不调用语言模型。
速度指纹对比
输入片段最相似参考片段横轴是已观察的距离
识别后，在这里对比两个片段的速度节奏
5 米距离网格 · 双精度形状匹配曲线相似不等于已确认赛道身份
TRACK FINGERPRINTS
十一条赛道，十一种速度节奏。
所有指纹来自既有 OpenF1 参考圈。识别时只读取时间与车速，不使用位置。
为什么没有阿布扎比参考模板？
固定参考会话中没有预定车手，因此保留为未知样例，不临时替换参考。2000 米观察还会遇到蒙特利尔参考缺失；工作台会提示切换距离或基础库。
A LITTLE CONTEXT
从一段数据，到一个有依据的候选。
先看数据，再看匹配，最后判断证据是否足够。
把速度变成距离指纹
对时间与车速做梯形积分，得到行驶距离；每 5 米重采样，在参考圈的合格位置逐一比较标准化车速形状。每个赛道保留误差最小的片段。
这种方法不需要训练。它能容忍一定整体速度差异，但车辆、驾驶方式、天气和参考质量仍会影响结果。
时间＋车速→距离指纹→模板匹配
排名第一，也可能需要更多证据
“匹配优势明显”检查第一名相对第二名是否足够突出，使用既有开发数据固定的距离比阈值。它不是概率，也不保证未知赛道一定被拒绝。
赛道不在库中、片段过短、以直道为主、低速行驶或参考不足，都可能产生错误候选。请结合曲线、候选差距与更长片段判断。
数据透明，文件留在本机
内置 11 条赛道、31 个参考圈和 12 个样例，来自已暴露的 2024 年 OpenF1 开发与校准数据。参考为练习赛车号 1，样例为排位赛车号 4；并非独立最终测试。
新上传的文件在浏览器内解析与匹配，不保存到服务器。识别助手采用上下文规则解释，未接入生成式语言模型。
OpenF1 数据说明 ↗